You are on page 1of 35

NDICE

Introduccin. 3
Objetivo Especficos .... 4
Objetivo General....4

William Sealy Gosset .....5

Variable Aleatoria...7
Las Variables Aleatorias Pueden Ser Discretas O Continuas:..7
Rango De Una Variable Aleatoria... 8
Distribucin De Probabilidad De Una V.A...8
Probabilidad.8
Funcin De Densidad De Una V.A8
Parmetros De Una V.A.8
Esperanza 9
Varianza.. 9
Distribucin De Una Variable Aleatoria9
Media O Esperanza De Una Variable Aleatoria..9
Desviacin Tpica De Una Variable Aleatoria..... 10
Distribuciones Continas.... 10
Distribucin Uniforme Continua.10
Distribucin Normal... 12

Distribucin Gamma.17

Distribucin Exponencial...19

Distribucin Beta.20

Distribucin T De Student22
UNIVERSIDAD TECNOLGICA DEL PER Pgina 2




INTRODUCCIN

La distribucin t de Student se utiliza cuando nos encontramos con la dificultad de no
conocer la desviacin tpica poblacional y nuestra muestra es menor de 30. Es similar a la curva
normal, pero la distribucin t tiene mayor rea a los extremos y menos en el centro.
Esta fue descubierta por un especialista en estadstica de una empresa irlandesa, este seor
cuyo nombre era William S. Gosset, hizo inferencias acerca de la media cuando la desviacin
poblacional fuese desconocida; y ya que a los empleados de dicha entidad no les era permitido
publicar el trabajo de investigacin bajo sus propios nombres, Gosset adopt el seudnimo de
Student.
Sus funciones se basan en establecer un intervalo de confianza, utilizando un nivel de
confianza y los grados de libertad, obteniendo valores de una tabla dada con respecto a estas
variables y aplicarla en la formula.
De gran utilidad, reduce tiempo, costo y esfuerzos. Se utiliza para probar hiptesis y
tambin para saber si dos muestras provienen de la misma poblacin.









UNIVERSIDAD TECNOLGICA DEL PER Pgina 3






OBJETIVO GENERAL

Dominar el uso de las funciones asociadas a una variable aleatoria discreta para Calcular
probabilidades y Conocer el sindicado y saber calcular la esperanza y la varianza de una variable
aleatoria discreta as mismo Reconocer y aplicar Modelos de probabilidad discretos


OBJETIVO ESPECFICOS


- Conocer los tipos de variable aleatoria.
- Saber para qu sirve la funcin de probabilidad
- Conocer sus propiedades de las variables aleatorias
- Conocer los problemas que en la vida cotidiana nos presenta y poder solucionarlos con la
variable aleatoria
- El objetivo de la prueba t de student es comprobar la hipotesis de si dos muestras de datos
tienen la misma media. Se puede realizar sobre muestras independientes o aparejadas.
- Para comprar dos grupos relacionados y para comparar un antes y un despus.
- El test para comprobar si la pendiente de una regresin lineal difiere estadsticamente de
cero.












UNIVERSIDAD TECNOLGICA DEL PER Pgina 4

Captulo I

WILLIAM SEALY GOSSET

William Sealy Gosset (11 de junio de 1876 16 de octubre de 1937) fue un estadstico, mejor
conocido por su sobrenombre literario Student. Nacido en Canterbury, hijo de Agnes Sealy Vidal y
el coronel Frederic Gosset, asisti a la famosa escuela privada Winchester College, antes de
estudiarqumica y matemtica en el New College de Oxford. Tras graduarse en 1899, se incorpor a
las destileras Guinness en Dubln.
Guinness era un negocio agroqumico progresista y Gosset podra aplicar sus conocimientos
estadsticos tanto a la destilera como a la granja (para seleccionar las mejores variedades de cebada.
Gosset adquiri ese conocimiento mediante estudio, prueba y error as como pasando dos
temporadas durante 1906/7 en el laboratorio bioqumico de Karl Pearson. Gosset y Pearson tenan
una buena relacin y este ltimo ayud a Gosset con la matemtica de sus artculos. Pearson
contribuy a los artculos de 1908, pero no apreci lo suficiente su importancia. Los artculos se
referan a la importancia de las pequeas muestras para la destilera, mientras que el bilogo
dispona normalmente de cientos de observaciones y no vea la urgencia en el desarrollo de mtodos
basados en unas pocas muestras.
Otro investigador de Guinness haba publicado anteriormente un artculo que contena secretos
industriales de la destilera. Para evitar futuras exposiciones de informacin confidencial, Guinness
prohibi a sus empleados la publicacin de artculos independientemente de la informacin que
contuviesen. Esto significaba que Gosset no poda publicar su trabajo usando su propio nombre. De
ah el uso de su pseudnimo Student en sus publicaciones, para evitar que su empleador lo
detectara. Por tanto, su logro ms famoso se conoce ahora como la distribucin t de Student, que de
otra manera hubiera sido la distribucin t de Gosset.
Gosset public El error probable de una media y casi todos sus artculos usando el
pseudnimo Student en la publicacin Biometrika creada por Pearson. Sin embargo, fue R.A.
Fisher quien apreci la importancia de los trabajos de Gosset sobre muestras pequeas, tras recibir
correspondencia de Gosset en la que le deca le envo una copia de las Tablas de Student, ya que es
la nica persona que probablemente las use jams!. Fisher crey que Gosset haba efectuado una
"revolucin lgica". Irnicamente la estadstica t por la que Gosset es famoso fue realmente
creacin de Fisher. La estadstica de Gosset era z = t/(n - 1). Fisher introdujo la forma t debido a
que se ajustaba a su teora de grados de libertad. Fisher es responsable tambin de la aplicacin de
la distribucin t a la regresin.
Aunque fueron introducidos por otros, los residuos estudentizados reciben su nombre en honor a
Student porque, al igual que con el problema que llev a la distribucin t de Student, la idea de
ajustar usando las desviaciones estndar estimadas la base del concepto.
El inters de Gosset en el cultivo de la cebada le llev a especular que el diseo de
experimentos debera dirigirse no slo a mejorar la produccin media, sino tambin a desarrollar
variedades cuya produccin no se viese afectada (robusta) por las variaciones en el suelo y el clima.
UNIVERSIDAD TECNOLGICA DEL PER Pgina 5

Este principio slo aparece ms adelante en las ideas de Fisher y luego en el trabajo de Genichi
Taguchi en los aos 1950.
En 1935 dej Dubln para ocupar el puesto de Destilador Jefe (Head Brewer), a cargo de la parte
cientfica de la produccin, en la nueva destilera Guinness de Londres. Muri
en Beaconsfield,Inglaterra.
Gosset fue amigo tanto de Pearson como de Fisher, un gran logro, ya que ambos se profesaban un
intenso desprecio mutuo. Gosset fue un hombre modesto que cort a un admirador con el
comentario "Fisher lo hubiera descubierto de todas maneras"



























UNIVERSIDAD TECNOLGICA DEL PER Pgina 6




VARIABLES ALEATORIAS

VARIABLE ALEATORIA
Una variable aleatoria es una variable que toma valores numricos determinados por el resultado de
un experimento aleatorio. No hay que confundir la variable aleatoria con sus posibles valores.
Ejemplos:
- n de caras al lanzar 6 veces una moneda (valores: 0, 1, 2)
- n de llamadas que recibe un telfono en una hora
- tiempo que esperan los clientes para pagar en un supermercado
LAS VARIABLES ALEATORIAS PUEDEN SER DISCRETAS O CONTINUAS:
- DISCRETAS: el conjunto de posibles valores es numerable. Suelen estar asociadas a
experimentos en que se mide el nmero de veces que sucede algo.
- CONTINUAS: el conjunto de posibles valores es no numerable. Puede tomar todos los
valores de un intervalo. Son el resultado de medir.

V.A. INDEPENDIENTE: Supongamos que "X" e "Y" son variables aleatorias discretas.
Si los eventos X = x / Y = y son variables aleatorias independientes.
En la prctica se consideran discretas aquellas variables para las que merece la pena asignar
probabilidades a todos los posibles sucesos elementales.
UNIVERSIDAD TECNOLGICA DEL PER Pgina 7

RANGO DE UNA VARIABLE ALEATORIA
Se llama rango de una variable aleatoria X y lo denotaremos RX, a la imagen o rango de la funcin ,
es decir, al conjunto de los valores reales que sta puede tomar, segn la aplicacin X. Dicho de
otro modo, el rango de una v.a. es el recorrido de la funcin por la que sta queda definida:


DISTRIBUCIN DE PROBABILIDAD DE UNA V.A
La distribucin de probabilidad de una v.a. describe tericamente la forma en que varan los
resultados de un experimento aleatorio. Intuitivamente se tratara de una lista de los resultados
posibles de un experimento con las probabilidades que se esperaran ver asociadas con cada
resultado.
PROBABILIDAD
La probabilidad por medio de la cual se obtiene la frecuencia de un suceso determinado mediante la
realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo
condiciones suficientemente estables.

FUNCIN DE DENSIDAD DE UNA V.A
Determina la concentracin de probabilidad alrededor de los valores de una variable aleatoria
continua.

PARMETROS DE UNA V.A.
La funcin de densidad o la distribucin de probabilidad de una v.a. contiene exhaustivamente toda
la informacin sobre la variable. Sin embargo resulta conveniente resumir sus caractersticas
principales con unos cuantos valores numricos. Estos son, fundamentalmente la esperanza y la
varianza.



UNIVERSIDAD TECNOLGICA DEL PER Pgina 8

ESPERANZA
La esperanza matemtica (o simplemente esperanza) o valor esperado de una v.a. es la suma del
producto de la probabilidad de cada suceso por el valor de dicho suceso.
El concepto de esperanza se asocia comnmente en los juegos de azar al de beneficio medio o
beneficio esperado a largo plazo.

VARIANZA
La varianza es una medida de dispersin de una variable aleatoria X respecto a su esperanza E[X].
Se define como la esperanza de la transformacin:

DISTRIBUCIN DE UNA VARIABLE ALEATORIA
Sea x una variable aleatoria continua. Si queremos conocer su distribucin de probabilidad no
nos vale la funcin de probabilidad empleada con las discretas (cada valor con su probabilidad
asociada) porque toma muchos valores. La probabilidad asociada a cada valor es prcticamente
nula (la funcin de distribucin es continua).
Emplearemos la funcin de densidad. Se interpreta de forma parecida al histograma. Expresa la
densidad o concentracin de probabilidad en cada zona. Expresa las probabilidades por
reas. Sus valores ms altos corresponden a zonas en las que es ms probable que aparezcan
resultados del experimento aleatorio.
MEDIA O ESPERANZA DE UNA VARIABLE ALEATORIA
La idea de media o esperanza de una variable aleatoria continua es equivalente pero su clculo
es algo ms complicado porque requiere emplear el concepto de integral.
La media de una variable aleatoria puede interpretarse como el valor esperado o medio que
toma dicha variable o como el valor central de dicha distribucin.

UNIVERSIDAD TECNOLGICA DEL PER Pgina 9


DESVIACIN TPICA DE UNA VARIABLE ALEATORIA
La desviacin tpica de una variable aleatoria es una medida de dispersin de la distribucin
alrededor de la media. Los valores pequeos indican concentracin de la distribucin alrededor
de la esperanza y los valores grandes corresponden a distribuciones ms dispersas.
El concepto de desviacin tpica es equivalente en variables aleatorias discretas y continuas,
aunque en estas ltimas su clculo es ms complicado.
DISTRIBUCIONES CONTINUAS

1. DISTRIBUCIN UNIFORME CONTINUA

Esta es la ms sencilla de las distribuciones continuas. Surge al considerar una variable aleatoria
que toma valores equiprobables en un intervalo finito y su nombre se debe al hecho de que la
densidad de la probabilidad de esta variable aleatoria es uniforme en todo su intervalo de definicin.

Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en un intervalo finito,
de manera que puede tomar cualquier valor de ese intervalo, entonces si la probabilidad de que la
variable aleatoria tome un valor en cada subintervalo de la misma longitud es la misma, diremos
que la variable aleatoria est distribuida uniformemente en ese intervalo.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin uniforme
en el intervalo real [a,b], con -<a<b<+ ,si su funcin de densidad es:

1
,
( )
0, en el resto
a x b
f x b a

s s


Abreviadamente lo indicamos por X~U(a,b) en donde a y b son los parmetros.

UNIVERSIDAD TECNOLGICA DEL PER Pgina 10

Caractersticas:
1. Funcin de distribucin de una U(a,b) es:

0,
( ) ( ) ,
1,
x
a
x a
x a
P X x f x dx a x b
b a
x b
<


s = = s s

>

}

2. Media =
2
b a +
(es el centro del intervalo de definicin y en consecuencia coincide con la
mediana).
3. Varianza VAR(X)=
( )
2
12
b a

Ejemplo: Sea X una variable aleatoria que se distribuye de forma uniforme en el intervalo [3,9] .
Hallar: funcin de densidad, funcin de distribucin, Esperanza y varianza.
Solucin:

f(x)= 1/6 3 9 s s x 0 x<3
0 resto F(x)= (x-3)/6 3 9 s s x
1 x>9

E[X]=6 y VAR[X]=3








UNIVERSIDAD TECNOLGICA DEL PER Pgina 11

2. DISTRIBUCIN NORMAL

La distribucin normal o distribucin de Gauss es sin duda la ms importante y la de ms
aplicacin de todas las distribuciones continuas. Esta distribucin es bastante adecuada para
describir la distribucin de muchos conjuntos de datos que ocurren en la naturaleza, la industria y la
navegacin. As pues para los siguientes conjuntos de datos, se puede considerar adecuada la
distribucin normal:

- Datos meteorolgicos correspondientes a temperaturas, lluvias, etc.
- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas fsicas de productos manufacturados.
- La vida media de un tipo de lmparas con un voltaje dado, etc.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin normal
de parmetros y si su funcin de densidad es:
2
2
( )
2
1
( )
2
x
f x e

o
o t

= , -< x<+
donde , e9 y tales que -<<+ y >0. (=3,14159... , e=2,71828 )

Abreviadamente la indicaremos por X~N(,)

Veamos ahora la representacin grfica de la funcin de densidad f(x) de la N( ,). Para ello
veremos que se cumplen las siguientes propiedades:
1. f(x) es continua en toda la recta real.
2. f(x) es simtrica respecto de x = es decir es simtrica respecto del parmetro .
3. f(x) tiene como asntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<, y estrictamente decreciente cuando x>.
UNIVERSIDAD TECNOLGICA DEL PER Pgina 12

5. f(x) presenta un mximo cuando x=, ese mximo vale f()=
1
2 o t


El grfico nos muestra la representacin grfica de la funcin de densidad, f(x), de una distribucin
normal de parmetros y :




Se observa que tiene forma de campana, de aqu que frecuentemente se le llame campana de Gauss.
Tambin se pone de manifiesto que el parmetro corresponde al mximo y al centro de la
distribucin y el parmetro nos da idea del grado de apertura o aplastamiento de la curva f(x).

Relacin entre la N(,) y la N(0,1)

Veamos pues que la expresin
2
2
( )
2
1
( )
2
x
f x e

o
o t

= nos da la funcin de densidad de una
familia de distribuciones normales para los diferentes valores de los parmetros y . Dentro de
esta familia de distribuciones normales hay una muy importante, que corresponde a los valores de
los parmetros =0 y =1, es decir la distribucin N(0, 1) y recibe el nombre de distribucin
tipificada o estndar, cuya correspondiente funcin de densidad se obtiene haciendo =0 y =1
en la expresin
2
2
( )
2
1
( )
2
x
f x e

o
o t

=
:

2
2
1
( ) ,
2
x
f x e x
t

= < < +
UNIVERSIDAD TECNOLGICA DEL PER Pgina 13


Proposicin: Si X es una variable aleatoria con distribucin N(,), entonces la variable aleatoria
tipificada Z=(X-)/ sigue una distribucin N(0,1).

Caractersticas:

1. Funcin de distribucin correspondiente a una variable aleatoria X distribuida segn una N(,)
ser:
F(x)=P(X x)
2
2
( )
2
1
2
x x
e dx

o
o t

=
}
, -<x<+<

2. Media: E [X]=
El parmetro es la media de la distribucin. Sabemos que la funcin de densidad f(x) de una
N(,) es simtrica respecto de su media , es decir P[X ]= P [X] = 0,5 lo cual nos permite
decir que el parmetro es la mediana de la distribucin.
La funcin de densidad f(x) presentaba un mximo para x= ,lo cual nos indica que el parmetro
es la moda de la distribucin.
En consecuencia diremos que en una distribucin N( ,), la media, la mediana y la moda
coinciden con el parmetro .

3. Varianza. VAR[X] =
Luego el parmetro que utilizamos en la N( ,) es la desviacin tpica de la distribucin, y en el
caso de la N(0,1) la desviacin tpica es la unidad.


Utilizacin de las tablas:
En la tabla de tablas estadsticas aparece tabulada la funcin de distribucin de una N(0,1).

UNIVERSIDAD TECNOLGICA DEL PER Pgina 14

Como la funcin de densidad de la distribucin normal es completamente simtrica, en este caso
respecto al parmetro de media =0, se da una sola tabla de valores de Z, incluyendo solamente los
valores positivos de Z.
Para indicar el uso de la tabla consideramos las siguientes reglas bsicas:

1. P(X-a)=1-P(Xa)
2. P(X>a)=1-P(Xa)
3. P(aXb)=P(Xb)-P(Xa)
4. P(-aXa)=2P(Xa)-1
5. P(-aXb)=P(Xb)+P(Xa)-1
6. P(-aX-b)=P(Xa)-P(Xb)

Propiedades

1. Propiedad reproductiva.
La suma de n variables aleatorias independientes,
1 2
, ,...,
n
X X X y distribuidas segn una N
( ) ,
i i
o , i = 1, 2, ..., n, sigue una distribucin N (
1
+....+
n
,
2 2
1
...
n
o o + + )

2. Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes e idnticamente distribuidas, segn
una N(,), entonces la variable aleatoria suma de las n variables Y=
1 2
...
n
X X X + + + sigue una
distribucin N( n, no )

3. Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes e idnticamente distribuidas, segn
una N(,), entonces la variable aleatoria media aritmtica de estas n variables
1 2
...
n
X X X
X
n
+ + +
=
sigue una distribucin N( ,/ n ).


Relacin entre las distribuciones Binomial, Poisson y Normal :
UNIVERSIDAD TECNOLGICA DEL PER Pgina 15


Una variable aleatoria X con distribucin B(n,p) se puede aproximar a una distribucin N(,),
siendo =np y = npq cuando n sea suficientemente grande, es decir cuando
np > 5 y p 1/2.

Sabemos que la media de la distribucin de Poisson coincide con el parmetro , y cuando este
parmetro es demasiado grande, puede utilizarse la distribucin normal para aproximar la
distribucin de Poisson. En la prctica la aproximacin es aceptable si 10, aunque algunos
autores aceptan la aproximacin cuando > 5.

El procedimiento prctico es anlogo al caso de la binomial, as pues si tenemos una variable
aleatoria X que se distribuye segn una distribucin de Poisson de parmetro , P(), siendo 10,
podemos aproximar esta distribucin de Poisson por una distribucin normal N(,), en donde la
media es = E[X] = y la desviacin tpica , es =

Ejemplo: Sea X~N(200, 20). Determinar las siguientes probabilidades:
a) P(185<X<210) b) P(215<X<250) c)P(X>240) d) P(X>178)
Solucin:
a) 0,4649 b)0,2204 c)0,0228 d) 0,8643










UNIVERSIDAD TECNOLGICA DEL PER Pgina 16

3. DISTRIBUCIN GAMMA

Previamente vamos a definir la funcin gamma como una funcin del anlisis matemtico y que
despus utilizaremos en varios modelos o distribuciones probabilsticas de tipo continuo.

As pues, definimos la funcin gamma de p , (p) como:

(p)=
1
0
,
p x
x e dx

}
p>0

Integrando por partes se tendr: (p)=(p-1)!

Dos casos particulares son: (1)=1 , (1/2)= t (para p no entero pero si positivo)

Una vez que hemos definido esta funcin gamma, la vamos a aplicar para definir la distribucin de
probabilidad gamma, pues son muchas las aplicaciones de esta distribucin a experimentos o
fenmenos aleatorios que tienen asociadas variables aleatorias que siempre son no negativas y
cuyas distribuciones son sesgadas a la derecha, es decir, el rea bajo la funcin de densidad
disminuye a medida que nos alejamos del origen.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin gamma
de parmetros p y a, siendo p,ae9 y p>0 y a>0, X~(p,a), si su funcin de densidad es :

1
, 0
( ) ( )
0 , 0
p
p ax
a
x e x
f x p
x

>

= I



Esta distribucin se aplica para representar las siguientes distribuciones:
- Intervalos de tiempo entre dos fallos de un motor.
- Intervalos de tiempo entre dos llegadas de automviles a una gasolinera.
UNIVERSIDAD TECNOLGICA DEL PER Pgina 17

- Tiempos de vida de sistemas electrnicos, etc.


Caractersticas:

1. Funcin de distribucin

1
0
, 0
( ) ( ) ( )
0, 0
x p
p ax
a
x e dx x
F x P X x p
x

>

= s = I

}


El valor de esta expresin no es fcil de obtener, aunque cuando p es entero positivo , la integral se
puede calcular por partes y las probabilidades se obtienen de forma aproximada. Con el fin de
simplificar el clculo de estas probabilidades Pearson tabul la funcin gamma incompleta para
diferentes valores del parmetro p, que viene dada por :

* 1
0
1
( ) , 0
( )
y
p y
F y y e dy y
p

= >
I
}


2. Media: E[X]=p/a

3. Varianza: Var(X)=p/a

4. Propiedad reproductiva
Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes, distribuidas segn una ( ,
i
p a ),
para i=1,...,n. Entonces la variable aleatoria Y=
1 2
...
n
X X X + + + sigue una distribucin (
1
...
n
p p + + , a).

Ejemplo: Sea X una variable aleatoria con distribucin gamma con p=2 y a=50. Cul es la
probabilidad de que X tome un valor menor al valor de la media?.
Solucin: 0,594
UNIVERSIDAD TECNOLGICA DEL PER Pgina 18



4. DISTRIBUCIN EXPONENCIAL

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin
exponencial de parmetro a , siendo a e9 y a >0, X~Exp( a ), si su funcin de densidad es
f(x)=
, x>0
0 , x 0
ax
a e



Esta distribucin es un caso particular de la distribucin (p, a ) para p=1, hecho que tendremos en
cuenta para el estudio de sus caractersticas.

Esta distribucin est relacionada con la de Poisson, as pues si el nmero de sucesos que ocurren
en un determinado intervalo sigue una distribucin de Poisson, entonces la variable aleatoria que
representa el tiempo entre ocurrencia de sucesos sigue una distribucin exponencial. As, por
ejemplo, si el nmero de ventas semanales de un cierto modelo de coche sigue una distribucin de
Poisson, entonces el tiempo transcurrido entre las ventas seguir una distribucin exponencial.

Tambin se pueden modelizar mediante la distribucin exponencial las siguientes situaciones:
- la duracin de la prestacin de un servicio.
- el tiempo entre llegadas sucesivas a una cola o punto de servicio.
- el tiempo de duracin de algunos equipos, etc.

Caractersticas:

1. Funcin de distribucin
1 , x>0
( ) ( )
0 , x 0
ax
e
f x P X x


= s =


2. Media : E[X]=1/a

UNIVERSIDAD TECNOLGICA DEL PER Pgina 19

3.Varianza : Var(X)=1/a

Ejemplo: El tiempo transcurrido entre la llegada de dos clientes consecutivos al departamento de
ventas de un concesionario de una determinada marca de automviles, es de 20 minutos. Calcular la
probabilidad de que el tiempo transcurrido entre la llegada de dos clientes consecutivos no supere la
media hora.
Solucin:
E[X]=1/a=20 luego a= 0,05. P(X 30 s )=0,7769.



5. DISTRIBUCIN BETA

Previamente vamos a definir la funcin beta de p y q, (p,q) como :
( ) ( )
1
1
1
0
, 1 , 0, 0
q
p
p q x x dx p q |

= > >
}

Se verifica tambin : (p,q)=((p)(q))/(p+q)

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin beta de
parmetros p y q, siendo p,qe9 y p>0 y q>0, X~(p,q), si su funcin de densidad es:

1 1
1
(1 ) , 0<x<1
( , ) ( )
0 , en el resto
p q
x x
p q f x |



O bien

( )
1
1
( )
1 , 0<x<1
( ) ( ) ( )
0 , en el resto
q
p
p q
x x
p q f x

I +

I I =



UNIVERSIDAD TECNOLGICA DEL PER Pgina 20

Observemos que esta funcin de densidad est definida en el intervalo (0,1), lo cual nos indica que
esta familia de distribuciones beta es muy til para representar modelos probabilsticos que
representan proporciones, tales como:
- La fraccin de tiempo que un equipo est en reparacin.
- La proporcin de piezas defectuosas de un lote.
- La proporcin del gasto de una familia en alimentacin con respecto a los ingresos totales.
- La participacin de la produccin de una empresa con respecto al total de lo producido en ese
sector, etc.
Caractersticas
1. Funcin de distribucin
La expresin de la funcin de distribucin es:

( )
1
1
0
0 , x 0
1
( ) 1 , 0<x<1
( , )
1, , x 1
x
q
p
F x x x dx
p q |

>

}


2. Media: E[X]=p/(p+q)
3. Varianza: Var(X)=(pq)/(p+q+1)(p+q))
Ejemplo: Una comunidad de vecinos dispone de un depsito que contiene una cantidad fija de
combustible para la calefaccin central y que es rellenado cada mes. La experiencia acumulada
durante muchos meses permite representar la proporcin de reserva utilizada cada mes mediante un
modelo de distribucin Beta con parmetros p=4 y q=2. Calcule la probabilidad de que un mes
determinado se utilice ms del 75% de la reserva de combustible.
Solucin:
Su funcin de densidad ser: f(x) = 20x
3
(1-x) si 0<x<1 y f(x)=0 en otro caso.
Luego P(x>0,75)=
}
+
75 , 0
) ( dx x f =0,3672


UNIVERSIDAD TECNOLGICA DEL PER Pgina 21

6. DISTRIBUCIN t DE STUDENT

DISTRIBUCION t DE STUDENT
En muchas ocasiones no se conoce s y el nmero de observaciones en la muestra es menor
de 30. En estos casos, se puede utilizar la desviacin estndar de la muestra s como una
estimacin de s, pero no es posible usar la distribucin Z como estadstico de prueba. El
estadstico de prueba adecuado es la distribucin t. A veces es necesario hacer anlisis de
muestras pequeas por razones de tiempo y reduccin de costos, para ello fue descubierta la
distribucin t por William Gosset, un especialista en estadstica, que la public en 1908 con
el seudnimo de Distribucin t Student.

Los usos para los cuales es idnea esta distribucin son los siguientes:
1) Para determinar el intervalo de confianza dentro del cual se puede estimar la media
de una poblacin a partir de muestras pequea (n < 30)
2) Para probar hiptesis cuando una investigacin se basa en muestreo pequeo.
3) Para probar si dos muestras provienen de una misma poblacin.

Sus aplicaciones en la inferencia estadstica son para estimar y probar una media y una
diferencia de medias (independiente y pareada).
Cuando hicimos la estimacin por intervalo, usando la distribucin Z, con n 30,
establecimos el intervalo de confianza para estimar la media poblacional, as


dado que conocamos la desviacin tpica de la poblacin . Sin embargo, si no la
conocemos se puede sustituir por la desviacin tpica muestral S quedando as

.
Se sabe tambin que si X es una variable normalmente distribuida con media y variancia

2
, y si una muestra de tamao n se extrae, entonces , la media de la muestra es
normalmente distribuida con media y variancia

.
UNIVERSIDAD TECNOLGICA DEL PER Pgina 22

Asimismo:

= z, es una variable aleatoria normal estandarizada, con media igual a cero


y variancia igual a uno. Si

se sustituye por

, para tener

, esta nueva variable no es mas normalmente distribuida,


teniendo su propia distribucin, llamada t de Student

La distribucin estadstica de prueba:
t =

=>



Entonces la distribucin t queda as:
t =


LEY DE STUDENT
Esta ley se aproxima mucho a la distribucin normal cuando el tamao de la muestra es
grande (por tanto, podemos usar indistintamente una u otra). Cuando la muestra es pequea
t no se distribuye normalmente, y es imperativo utilizarla.

La expresin para calcular el intervalo de confianza es la misma, en lugar de buscar

se
busca


. El elemento es un parmetro llamado grados de libertad y se calcula
mediante = n 1.




UNIVERSIDAD TECNOLGICA DEL PER Pgina 23

CARACTERSTICAS DE LA DISTRIBUCIN T DE STUDENT
1. Al igual que la distribucin Z, es una distribucin continua
2. La distribucin t tiene una media de cero, es simtrica respecto de la media y se
extiende de - a + la varianza de t para > 2. Cuando los grados de
libertad son suficientemente grandes la varianza de la distribucin t tiende a 1.
3. Tiene forma acampanada y simtrica
4. No hay una distribucin t, sino una "familia" de distribuciones t. todas con la misma
media cero, pero con su respectiva desviacin estndar diferente de acuerdo con el
tamao de la muestra n, identificada cada una por sus respectivos grados de libertad.
Existe una distribucin t para una muestra de 20, otra para una muestra de 22, y as
sucesivamente.
5. La distribucin t es ms ancha y ms plana en el centro que la distribucin normal
estndar como resultado de ello se tiene una mayor variabilidad en las medias de
muestra calculadas a partir de muestras ms pequeas. Sin embargo, a medida que
aumenta el tamao de la muestra, la distribucin t se aproxima a la distribucin
normal estndar.

PROPIEDADES DE LA LEY DE STUDENT
- F(t) = A

es la funcin de la densidad de la ley. La constante A hace


que el rea bajo el grfico sea igual a la unidad, v=n-1 son los grados de libertad.
- Para cada valor v de grados de libertad, existe una particular distribucin de
probabilidad de t, es el parmetro , grados de libertad, el que identifica a la curva
respectiva.
- El dominio de la funcin son todos los nmeros reales.
- Su media es , y su varianza es

para v > 2.
Los valores t ( se encuentran en tablas de la distribucin de t.


UNIVERSIDAD TECNOLGICA DEL PER Pgina 24

GRADOS DE LIBERTAD
En la mayora de los casos, los parmetros de una poblacin son cantidades desconocidas y
para estimarlos es necesario extraer una muestra de la poblacin y calcular los estadsticos
correspondientes.

Existen varias distribuciones t. Cada una de ellas est asociada con los que se denominan
Grados de libertad (generalmente denotado por la letra griega nu, ), est se define como
el nmero de valores que podemos elegir libremente, sea, el nmero de observaciones
menos uno, = n 1.

A medida que los grados de libertad son ms grandes hasta tender al infinito, las formas de
las curvas de t tienden a ser ms prximas a la forma de la curva normal.
Como cada curva de t esta relacionada a sus grados de libertad, no se pueden usar valores
estandarizados nicos, como se hizo en el caso de la normal, por lo que es necesario, para
calcular la probabilidad de un valor de t caiga en un particular intervalo, computarlo segn
sean sus grados de libertad. Como es una tarea difcil, se han elaborado tablas para varios
valores de v. Generalmente las tablas se han construido para pruebas de dos colas, variando
v desde 1 hasta infinito y alfa desde 0.5 hasta 0.001.







UNIVERSIDAD TECNOLGICA DEL PER Pgina 25

INTERVALOS PARA MUESTRAS PEQUEAS
Cuando las observaciones de la muestra x
1
, x
2
,, xn provienen de una ley normal, el
estadstico z =

es exactamente normal estndar. Sin embargo cuando no se


conoce y se estima mediante s =

, la distribucin del estadstico t =


no es
necesariamente normal.
Ejemplo:
Probabilidad de 0.90 de que t est entre -1.76 y +1.76 -0.76 t 1.76
Como t =

, la desigualdad se convierte en
-1.76

1.76
- 1.76

+ 1.76

Como determinar el Intervalo de Confianza para la estimacin de la Media
Conceptos Previos:
a) Estimador Puntual: Valor que se calcula a partir de la informacin de la muestra y
que se usa para estimar el parmetro de la poblacin. Ejemplo: la media de la
muestra es un estimador puntual de la media de la poblacin .

b) Intervalo de Confianza: Es un rango de valores que se construye a partir de datos
de la muestra de modo que el parmetro ocurre dentro de dicho rango con una
probabilidad especfica. La probabilidad especfica se conoce como nivel de
confianza.


UNIVERSIDAD TECNOLGICA DEL PER Pgina 26


Nos interesa en nuestro caso particular poder establecer el intervalo de confianza para
estimar la media poblacional, para ello haremos uso de la siguiente frmula:


Dnde: = media poblacional
= media muestral


= valor obtenido de la tabla de la distribucin t
= desviacin tpica muestral
n = tamao de la muestra
= nivel de confianza
= grados de libertad

Para poder utilizar sta frmula es necesario explicar el significado de algunos conceptos y
la manera de cmo calcular su valor as como de conocer el uso de la tabla t de Student.
Lo cual haremos a continuacin:
1) El nivel de confiabilidad utilizado es:
=


La confiabilidad se refiere a la probabilidad especfica de estimacin del parmetro,
en este caso de la media poblacional.


UNIVERSIDAD TECNOLGICA DEL PER Pgina 27

2) Los grados de libertad: Concepto un tanto difcil de definir pero debe entenderse
como un indicador del grado de acercamiento que cada curva de la distribucin t
presenta con respecto de la curva normal (obsrvese que esto pone de manifiesto
que la distribucin t no es nica y existen tantas como los grados de libertad
cumplan la condicin < 30)
Su valor se obtiene de la formula:
= n 1
3) Los valores de


se encuentran en la tabla de la distribucin t Student.
1


Determinando un intervalo de confianza
Para estimar la media poblacional en cualquier intervalo de confianza, utilizamos




Si el tamao de la muestra fuese de n = 10, los grados de libertad seran 9 y para un
coeficiente de confianza del 80%, el intervalo de confianza para estimar la media
poblacional sera:










UNIVERSIDAD TECNOLGICA DEL PER Pgina 28


EJERCICIOS RESUELTOS
Los ejercicios se han resuelto en base a la tabla de Distribucin t con distintos grados de
libertad.

1. Se realizo un estudio sobre la utilizacin del agua en una pequea ciudad. Para ello
se considero una muestra de 25 casa. El nmero de galones de agua que utilizan por
da (1 galn 0.0037854 m
3
) fue el siguiente:
175 185 186 118 158
150 190 178 137 175
180 200 189 200 180
172 145 192 191 181
183 169 172 178 210
Con base en esta informacin:
a) Hallar un intervalo de confianza del 90%
b) Si el recurso de agua en la ciudad permite una utilizacin media de 160 galones por
da, Podra pensarse que hay un problema de escasez de agua en la ciudad?

=175.76; n=25; s=20.79; =0.1; =24; =160;


=1.711

= [168.65, 182.87]
UNIVERSIDAD TECNOLGICA DEL PER Pgina 29


2. A partir de 860 cuentas, un analista financiero toma una muestra aleatoria de 16
cuentas. Los saldos observados en la muestra son los siguientes: 165, 150, 300, 240,
250, 150, 300, 200, 140, 240, 260, 180, 190, 230, 350, 360.
Determinar un intervalo de confianza del 90% para estimar el saldo medio de todas las
cuentas.

=231.56; n=16; s=69.61; =0.1; =15;


=1.753

= [201.05, 262.07]

3. Una muestra de edades de 36 asegurados a una compaa dio valores = 39.5, y s =
7.77. Hallar los intervalos de confianza para del:

a) 90%; =39.50; n=36; s=7.77; =0.1; =35;


=1.690

= [37.31, 41.69]


UNIVERSIDAD TECNOLGICA DEL PER Pgina 30


b) 95%; =39.50; n=36; s=7.77; =0.05; =35;


=2.030

= [36.87, 42.13]

4. Una maquina se encarga de llenar botes de jalea con gramos, pero no los llena con
la cantidad exacta. Suponte que los pesos reales de contenido siguen una ley normal
N (,
2
).

Si de una muestra de 16 botes obtenemos una media de 298g, investiga si un intervalo
de confianza para del 95%, contiene la media = 300.

=298; n=16; s=20.79; =0.05; =15; =300;


=2.131

= [286.92, 309.08]
R/ El intervalo si contiene a la media , por lo tanto el error en llenado no es intencional.


UNIVERSIDAD TECNOLGICA DEL PER Pgina 31


5. Se seleccion una muestra aleatoria de 25 cuentas por cobrar de un registro que
contena 96 cuentas. La muestra dio una media de = 2.435 colones y una
desviacin tpica de S = 335 colones. Obtngase un intervalo de confianza del 90%
para estimar la media de las 96 cuentas del registro.

=2435; n=25; s=335; =0.1; =24;


=1.711

= [2320.36, 2549.64]

6. El auditor de una empresa al examinar los registros de facturacin mensual,
mediante el anlisis de una muestra aleatoria irrestricta de 10 facturas no pagadas
encontr que la media aritmtica fue de = $9500 con una desviacin tpica de s =
$327. Construir un intervalo de confianza del 95% para estimar el parmetro
poblacional.

=9500; n=10; s=327; =0.05; =9;


=2.262

= [9266.09, 9733.91]


UNIVERSIDAD TECNOLGICA DEL PER Pgina 32

7. Una muestra aleatoria del proceso de produccin de 17 bombillos, dio una media de
= 128 horas, con una desviacin tpica s = 15 horas. Construir un intervalo de
confianza del 99% para estimar el promedio de vida til de todos los bombillos del
proceso.

=128; n=17; s=15; =0.01; =16;


=2.921

= [117.37, 138.63]

8. Una empresa constructora desea conocer el promedio de arrendamiento mensual de
casas en cierta ciudad (casas tipo clase media). Una muestra aleatoria de 26
arrendamientos dio un promedio de = $280 y una desviacin tpica de s = $55.
Estime el promedio verdadero con un intervalo de confianza del 0.99.

=280; n=26; s=55; =0.01; =25;


=2.787

= [249.94, 310.06]




UNIVERSIDAD TECNOLGICA DEL PER Pgina 33

9. El propietario de una papelera desea estimar la media del valor al menudeo de las
tarjetas de felicitacin que la tienda tiene en su inventario. Una muestra aleatoria de
20 tarjetas de felicitacin indica una media de valor de $1.67 y una desviacin
estndar de $0.32. Suponiendo una distribucin normal, construya una estimacin
del intervalo de confianza del 95% para la media del valor de todas las tarjetas de
felicitacin en el inventario de la tienda.

=1.67; n=20; s=0.32; =0.05; =19;


=2.093

= [1.52, 1.82]












UNIVERSIDAD TECNOLGICA DEL PER Pgina 34

Anexos
TABLA DE LA DISTRIBUCION tStudent
La tabla da reas 1 o y valores , donde, , y donde T tiene distribucin
t-Student con r grados de libertad..




1 o
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
r
t c
, 1 o
=
o = s 1 ] [ c T P
UNIVERSIDAD TECNOLGICA DEL PER Pgina 35

25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576